深度學習的特點

深度學習(Deep Learning)是近年來機器學習中最廣為人知的一個領域，其特點在於由電腦自行從大量資料中尋找規則，並提取特徵和模式，從而進行預測和判斷，無需專家們的介入。這使深度學習模型能夠持續學習和改進，在各種應用領域中取得卓越的成就。而深度學習之所以被稱為"深度"學習，是因為它使用了多層神經網路。每一層都包含多個神經元，資料通過這些多層的神經元進行多次非線性轉換和特徵提取，使得模型能夠學習到更高階、更抽象的特徵表示。以下將逐一介紹深度學習的常見技術:

1. 卷積神經網路(Convolutional Neural Networks, CNN):

CNN是深度學習的重要發展主力之一，它的目標是提取圖片及影片中的各個特徵。

CNN運作方式:

當CNN分析新圖片時，由於不知道特徵位於何處，因此它會負責比對圖片的各部分，連邊緣及角落都不放過。以下將簡略介紹各層的功能:

(1)Input Layer: 此層類似於人體器官的"眼睛"，負責圖片或影像資料。在這一層，我們的圖片將被分解成數個小區塊，每個小區塊都叫做「特徵圖」，是我們模型的起點。

(2)Hidden Layer1: 此層又被稱作為卷積層，類似於人類的"大腦"，是深度學習的核心。它負責捕捉圖像的特徵，例如形狀特徵、邊緣特徵等等。它使用卷積核的小濾鏡，對輸入的圖像進行滑動操作，計算出每個區域與卷積核的相似度，並將結果在新的圖片中標出。

(3)Hidden Layer2: 此層又被稱作為池化層。它的工作是將特徵圖的尺寸縮小，並同時保留重要信息。不但可減少計算並使模型更加精準。

(4)Output Layer: 此層的工作為將池化層分析的圖片特徵轉換成最終的輸出。並根據特徵結果進行分類，輸出我們的預測結果。

2. 遞迴神經網路(Recurrent Neural Network, RNN):

RNN 的主要目標是賦予神經網絡記憶能力，使它能夠處理像文字、時間序列及語音這樣的一連串序列型資料。RNN 的特別之處在於它可以理解資料中的時間關係，就像我們在閱讀故事時能夠記住先前的情節一樣。

舉例說明:

• 當RNN 聽到 "蝴" 這個字時，它會考慮之前聽到的內容，並猜測下一個字可能是 "蝶" 而不是其他字。
• 接下來RNN會根據 "蝴蝶" 的上下文生成更多的文字，例如 "美麗的"、"正在飛翔的"等字眼，而不是一堆無俚頭的文字。